Utilisation de l'interface de ligne de commande
L'interface de ligne de commande YOLO (CLI) permet d'effectuer des commandes simples sur une seule ligne sans avoir besoin d'un environnement Python . CLI ne nécessite aucune personnalisation ni aucun code Python . Tu peux simplement exécuter toutes les tâches à partir du terminal avec la commande yolo
commande.
Regarde : Mastering Ultralytics YOLOv8 : CLI
Exemple
Ultralytics yolo
Les commandes utilisent la syntaxe suivante :
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify]
MODE (required) is one of [train, val, predict, export, track]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Entraîne un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0,01.
Prédis une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à la taille d'image 320 :
Val un modèle de détection pré-entraîné à la taille de lot 1 et à la taille d'image 640 :
Exporte un modèle de classification YOLOv8n au format ONNX avec une taille d'image de 224 par 128 (aucune TÂCHE requise).
OĂą :
TASK
(facultatif) est l'un des éléments suivants[detect, segment, classify]
. S'il n'est pas transmis explicitement, YOLOv8 essaiera de deviner le nom de l'utilisateur.TASK
du type de modèle.MODE
(obligatoire) est l'un des éléments suivants[train, val, predict, export, track]
ARGS
(facultatif) sont un nombre quelconque dearg=value
paires commeimgsz=320
qui remplacent les valeurs par défaut. Pour une liste complète desARGS
voir le Configuration page etdefaults.yaml
Avertissement
Les arguments doivent être passés en tant que arg=val
paires, séparées par une équation =
signe et délimité par des espaces entre les paires. N'utilise pas
--
préfixes ou virgules des arguments ,
entre les arguments.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
 ✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
 ❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
 ❌
Train
Entraîne YOLOv8n sur l'ensemble de données COCO8 pendant 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, voir la page Configuration.
Exemple
Val
Valide la précision du modèle YOLOv8n entraîné sur le jeu de données COCO8. Aucun argument n'a besoin d'être passé en tant que model
conserve sa formation data
et les arguments en tant qu'attributs du modèle.
Exemple
Prévoir
Utilise un modèle YOLOv8n entraîné pour faire des prédictions sur les images.
Exemple
Exporter
Exporte un modèle YOLOv8n vers un format différent comme ONNX, CoreML, etc.
Exemple
Les formats d'exportation disponibles sur YOLOv8 sont présentés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de la fonction format
argument, c'est-Ă -dire format='onnx'
ou format='engine'
.
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
âś… | - |
TorchScript | torchscript |
yolov8n.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
âś… | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolov8n_edgetpu.tflite |
âś… | imgsz |
TF.js | tfjs |
yolov8n_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
âś… | imgsz , half , batch |
Voir l'intégralité export
détails dans le Exporter page.
Remplacer les arguments par défaut
Les arguments par défaut peuvent être remplacés en les passant simplement en tant qu'arguments dans la page CLI dans arg=value
paires.
Entraîne un modèle de détection pour 10 epochs
avec learning_rate
de 0.01
Prédis une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à la taille d'image 320 :
Remplacer le fichier de configuration par défaut
Tu peux remplacer le default.yaml
en passant un nouveau fichier avec l'option cfg
Les arguments, c'est-Ă -dire cfg=custom.yaml
.
Pour ce faire, crée d'abord une copie de default.yaml
dans ton répertoire de travail actuel avec l'option yolo copy-cfg
commande.
Cela créera default_copy.yaml
que tu peux ensuite passer comme cfg=default_copy.yaml
ainsi que tout autre argument supplémentaire, comme imgsz=320
dans cet exemple :
FAQ
Comment utiliser l'interface de ligne de commande Ultralytics YOLOv8 (CLI) pour l'apprentissage du modèle ?
Pour former un modèle YOLOv8 à l'aide de CLI, tu peux exécuter une simple commande d'une ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01, tu dois exécuter :
Cette commande utilise le train
avec des arguments spécifiques. Reporte-toi à la liste complète des arguments disponibles dans la rubrique Guide de configuration.
Quelles sont les tâches que je peux effectuer avec le Ultralytics YOLOv8 CLI ?
Le site Ultralytics YOLOv8 CLI prend en charge diverses tâches, notamment la détection, la segmentation, la classification, la validation, la prédiction, l'exportation et le suivi. Par exemple :
- Former un modèle: Exécuter
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Prévisions de course: Utiliser
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Exporter un modèle: Exécuter
yolo export model=<model.pt> format=<export_format>
.
Chaque tâche peut être personnalisée à l'aide de divers arguments. Pour une syntaxe détaillée et des exemples, voir les sections respectives comme Former, Prédire et Exporter.
Comment puis-je valider la précision d'un modèle YOLOv8 entraîné à l'aide de CLI?
Pour valider la précision d'un modèle YOLOv8 , utilise l'outil val
mode. Par exemple, pour valider un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640, exécute :
Cette commande évalue le modèle sur le jeu de données spécifié et fournit des mesures de performance. Pour plus de détails, reporte-toi à la section Val.
Dans quels formats puis-je exporter mes modèles YOLOv8 à l'aide de CLI?
YOLOv8 Les modèles peuvent être exportés vers différents formats tels que ONNX, CoreML, TensorRT, et bien d'autres encore. Par exemple, pour exporter un modèle au format ONNX , exécute :
Pour plus de détails, visite la page Exportation.
Comment puis-je personnaliser les commandes YOLOv8 CLI pour remplacer les arguments par défaut ?
Pour remplacer les arguments par défaut dans les commandes YOLOv8 CLI , passe-les en tant que arg=value
paires. Par exemple, pour former un modèle avec des arguments personnalisés, utilise :
Pour obtenir la liste complète des arguments disponibles et leur description, reporte-toi au Guide de configuration. Assure-toi que les arguments sont formatés correctement, comme indiqué dans la section Remplacer les arguments par défaut.
Créé le 2023-11-12, Mis à jour le 2024-07-04
Auteurs : glenn-jocher (19), ambitious-octopus (1), Burhan-Q (3), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)